基于可视化传感器阵列系统的肺癌标志物快速检测研究

肺癌的早期快速诊断对于肺癌患者的治疗至关重要。针对肺癌患者所呼出的特定标志物,建立可视化传感器阵列系统,对4种肺癌标志物进行了实验研究。采用分层聚类分析、主成分分析的统计学方法对检测结果进行分析。对不同肺癌标志物、不同体积分数的样本在聚类分析中可以正确分类,且结构相似体积分数相近的样本能优先聚到一簇。利用主成分分析获得的前2个主成分所代表的肺癌标志物72.0%的信息量即可以实现不同类标志物样本区分。研究表明:这种可视化传感器阵列系统是一种快速有效的检测识别肺癌标志物的方法。     

基于卟啉传感器阵列系统的肺癌标志物识别算法

卟啉传感器阵列系统可以检测肺癌呼出气体中特定的标志性气体,不同标志性气体检测输出的差值图谱不一样.介绍了一种结合反向传播(BP)神经网络和主成分分析(PCA)的肺癌标志性气体种类识别算法,并将其应用在卟啉传感器阵列系统中.通过计算卟啉传感器阵列中各点的主成分得分选出敏感点,保留各气体敏感点的值,并组成识别模板作为BP神经网络的输入层,达到去除冗余数据的目的.通过实验对比聚类分析结果、未降维数据的BP神经网络识别结果及已经PCA降维后的数据作为输入的BP神经网络识别结果,证明提出的算法可以更加精确地识别不同的肺癌标志性气体.     

基于模板匹配的肺癌呼出气体标志物识别研究

肺癌呼出气体标志物所形成的颜色特征图谱是卟啉传感器阵列应用于肺癌早期筛查的重要媒介。因此,基于特征图谱设计合理的模式识别方法是实现肺癌标志物识别的关键核心。针对特征图谱的响应特点,提出了一种模板匹配识别方法,该方法不仅了考虑特征图谱中传感器单元的响应数目和颜色差值,并且在匹配程度计算中对于敏感响应单元和非敏感响应单元赋予不同权值。通过分别对6种肺癌呼出气体标志物样本,以及20例肺癌患者和16例健康志愿者的呼出气体样本进行了识别测试。6种肺癌标志物样本的测试结果表明,该方法识别正确率高达94.17%,且相比于常用的聚类分析法,其检测限值更低,可达150×10-9。36例人体实际呼出气体样本测试结果表明,肺癌患者和健康志愿者的差值图谱存在明显差异,同时该模板匹配方法能够较好地区分肺癌患者和健康志愿者。该研究对于基于卟啉传感器阵列的肺癌呼出气体检测方法具有重要的应用价值。     

嵌入式气体检测系统及其图像分析算法

针对传统气体检测方法的不足,提出了基于嵌入式和卟啉阵列传感器的气体快速检测系统及其图像分析算法。该系统通过USB接口的摄像头采集待测气体与卟啉阵列传感器反应前后的RGB图像信息,再由图像处理算法得到图像中每个卟啉点的颜色变化信息,最后通过模式识别算法得到待测气体种类和浓度。重点研究了检测系统的结构及软件功能的设计,给出了针对卟啉阵列传感图像的图像处理算法及与标准数据库匹配的模式识别算法。通过对氨气等气体进行试验,结果表明该系统及其分析算法能够很好地识别出气体的种类和浓度。     

基于气体传感器阵列和非线性信号分析技术的龙井茶品质检测方法研究

本文研究了一种基于传感器阵列信号分析的龙井茶品质检测技术,采用多气体传感器阵列构建检测平台,实验检测不同储存时间的龙井茶样品,并对传感器阵列信号开展信号分析。为了进一步优化传感器阵列检测龙井茶品质的准确性,对传感器阵列参数优化,得到优化之后的阵列,优化后的传感器阵列具有更高的准确性。采用载荷分析（Loadings）、归一化处理进行数据的预处理。实验采用模糊c均值聚类（FCM）、k近邻函数（KNN）和概率神经网络（PNN）三种方法对传感器阵列检测信息进行了模式识别,以评估所构建系统的检测精度。结果表明三种方法的识别正确率分别为90.83%,90%和93.3%。结果表明KNN和PNN针对气体传感器阵列检测龙井茶品质领域均呈现了较好的模式识别结果。以上结果证明该系统具有较好的检测精度,随机共振系统输出相关系数曲线可以较好的区分不同茶叶样品,并且依托互相关系数特征峰值构建了其品质分析模型。     

基于卟啉传感器的气体检测系统的设计

针对传统气体检测方法的不足,设计了一种基于卟啉传感器的快速气体检测系统.反应室的流体仿真表明该系统检测结果具有可比性.该系统采集存储卟啉传感器与气体反应前后的图像,通过图像处理技术获得传感器阵列的颜色变化信息,将其与数据库中的记录进行匹配,得到检测结果.实验表明:该系统响应快速,能准确检测识别多种有害气体.     

电子鼻用于检测掺假牛奶时其传感器阵列的优化

目前电子鼻在食品领域已有广泛的应用，由于气味组成成分复杂，仅用单个气体传感器是无法评定气体质量，因此气体传感器阵列应运而生。在对不同的食品进行检测时，电子鼻的传感器阵列的构成是不同的。本文运用PEN2便携式电子鼻对掺假牛奶进行检测，用方差分析、主成分分析和聚类分析对信号进行分析，得到由8个传感器组成的用于检测掺假牛奶的最佳传感器阵列。用这8个传感器组成的传感器阵列对掺假牛奶进行检测区分，结果用LDA方法 (线性判别式分析) 进行分析，在LDA分析图上，不同比例掺假的牛奶能被明显地区分。新的传感器阵列具有较少的传感器和与原传感器阵列相同的检测区分能力。     

检测掺假牛奶的电子鼻传感器阵列的优化

目前电子鼻在食品领域已有广泛的应用,由于气味组成成分复杂,仅用单个气体传感器是无法评定气体质量的,因此气体传感器阵列应运而生.在对不同的食品进行检测时,电子鼻的传感器阵列的构成是不同的.运用PEN2便携式电子鼻对掺假牛奶进行检测,用方差分析、主成分分析和聚类分析对信号进行分析,得到由8个传感器组成的用于检测掺假牛奶的最佳传感器阵列.用这8个传感器组成的传感器阵列对掺假牛奶进行检测区分,结果用LDA方法(线性判别式分析)进行分析,在LDA分析图上,不同比例掺假的牛奶能被明显地区分.新的传感器阵列具有较少的传感器和与原传感器阵列相同的检测区分能力.     

食醋分类中气体传感器阵列的一种优化方法

利用13只气体传感器、1只温度传感器和1只湿度传感器构成的初始测试系统,对3种不同品种的食醋进行测试。运用小波包的三尺度分解来提取测试结果的分析特征向量,并借助主成分分析(PCA)技术,对传感器阵列进行了优化,得到由5只传感器构成的优化阵列。利用RBF神经网络,对原阵列和优化后阵列的鉴别效果进行比较,结果表明:优化后传感器阵列能将3种不同品种的食醋成功区分开,并且鉴别效果也得到明显改善。     

用于检测糖尿病标志物的电子鼻优化设计

人体呼气中的丙酮含量可作为糖尿病的标志物.为实现无创糖尿病诊断,设计以金属氧化物半导体气敏传感器阵列为核心的人工嗅觉系统,对完成痕量丙酮的快速检测具有重要意义.通过多个气体流量控制器MFC(Mass Flow Controller)分别配制出模拟糖尿病患者呼气样本(30×10-6丙酮)与另两种干扰气体样本(30×10-6乙醇样本、15×10-6丙酮与15×10-6乙醇混合样本)进行实验,基于BP神经网络算法对3种气体定性识别,并通过主成分分析PCA(Principal Component Analysis)算法对原始的高维特征子集进行降维优化.实验表明:PCA与BP算法相结合,可降低BP神经网络的复杂性、减少预测的误差,同时能够解决单个气体传感器交叉敏感问题,进而提高对气体的选择性.对痕量丙酮样本与另两种干扰气体样本进行分析识别,识别的结果显示:对3种样本的识别准确率为91％.该研究为准确识别糖尿病标志物实现无创诊断技术提供了理论指导.     

基于稀疏主元分析的过程监控研究

主元分析（principal component analysis）是一种多元统计技术,在过程监控和故障诊断中具有广泛的应用。针对过程监控中数据量大的特点,提出一种稀疏主元分析（sparse principal component analysis）方法,通过引入lasso约束函数,构建稀疏主元分析的框架,将PCA降维问题转化为回归最优化问题,从而求解得到稀疏化的主元,并提高了主元模型的抗干扰能力。由于稀疏后主元相关的数据量减少,利用数据建立过程监控模型,减少了计算量,并缩短了计算时间,进而提高了监控的实时性。利用田纳西伊斯特曼过程（TE processes）进行实验仿真,并与传统的主元分析方法进行对比研究。结果表明,新提出的稀疏主元分析方法在计算效率和监控实时性上均优于传统的主元分析方法。     

对称分数B样条小波的PCA图像融合

有良好逼近能力的对称分数B样条小波,在刻画图像纹理方面优于传统小波,为图像融合提供了有利条件。将其与PCA（Principal Component Analysis）变换相结合之后对高分辨率全色图像和低分辨率多光谱图像进行融合,提出了一种新的图像融合算法。对两幅源图像应用PCA变换,得到的两个第一主分量分别进行对称分数B样条小波变换,再对产生的两组高、低频小波系数采取不同的规则进行融合,生成两组新的高、低频系数,对其进行小波反变换得到新的第一主分量,与多光谱图像的其他主分量进行PCA反变换,得到最终的融合图像。实验结果表明,该方法使融合图像既提高了分辨率又保留了丰富的光谱信息。     

基于SPCA和域变换递归滤波的高光谱图像分类

提出一种基于分割的主成分分析（Segmented Principal Component Analysis,SPCA）和域变换递归滤波（Domain Transform Recursive Filtering,DTRF）的高光谱图像分类算法。利用SPCA方法降低高光谱图像的维数和提取各波段子集的第一主成分。使用不同参数的域变换递归滤波器对各波段子集第一主成分进行滤波,形成堆叠的边缘保持滤波图。采用主成分分析（Principal Component Analysis,PCA）将堆叠的边缘保持滤波图进行特征融合。利用基本阈值分类器（Basic Thresholding Classifier,BTC）对融合后的主成分进行分类。仿真实验表明,所提方法能够提高分类精度,且在总体分类精度、平均分类精度、Kappa系数等方面优于已有方法。     

基于PCA与BP混合神经网络算法的电子鼻系统

为了对食物品质进行非接触式评价,基于6种费加罗金属氧化物气体传感器阵列,通过由数据采集模块和微处理器模块组成的硬件设计方案,设计并研制了可对被测食物进行实时、无损检测的电子鼻系统。在软件设计方案上,该系统采用主成分分析(PCA)和反向传播(BP)混合神经网络模式,通过LabVIEW对气体"指纹信息"数据库进行分析。实验结果表明:该设计的电子鼻系统可以很好地区分不同种类的食醋,并提供了一种对食醋品质评价的便利方法。     

结合PCA与HEIV的椭圆目标检测算法

提出结合主元变换与异方差变量含误差模型的椭圆识别与定位方法。根据椭圆长轴对应于椭圆主元方向的特点,利用主元变换法将目标边缘数据变换到主元坐标系,给出新的椭圆轮廓度误差评定方法,将变换后数据点集的椭圆轮廓度误差作为椭圆识别的依据,采用基于异方差变量含误差模型的拟合算法获取椭圆的中心坐标。该方法将任意椭圆转化为标准型椭圆,简化了识别过程,考虑到椭圆数据点的异方差特性,提高了椭圆的定位精度,在噪声方差为0.05情况下,定位精度小于0.04 pixel。     

基于K-EROS的QAR数据集的相似性分析

叙述了传统的PCA方法在处理QAR数据相似性问题的不足,提出基于EROS的KPCA方法处理QAR数据之间的相似性问题。通过引入EROS方法而不需要对数据进行向量化,引入核矩阵对QAR数据进行主成分分析,可以有效降低数据的维数。选取两组QAR数据集,采用支持向量积方法,选用不同数目的主成分进行分类实验,同SPCA方法和GPCA方法进行比较,实验结果显示把该方法运用到QAR数据集,具有较好的分类结果。     

基于PCA和SVM算法的人脸识别

人脸识别是计算机视觉和图像模式识别领域的一个重要技术。主成分分析（PCA）是人脸图像特征提取的一个重要算法。而支持向量机（SVM）有适合处理小样本问题、高维数及泛化性能强等多方面的优点。文章将两者结合,先用PCA算法进行人脸图像特征提取,再用SVM进行分类识别。通过基于ORL人脸数据库的计算机仿真实验表明,该方法具有很好的可行性和实际意义。     

齿轮箱状态监测中的振动信号多标度分析

利用齿轮箱振动信号的自相似性,以局域标度分析算法提取齿轮箱振动信号中包含的微弱设备状态特征信息,将局域标度指数与主成分分析法相结合,通过提取局域标度指数多元统计量的低维主分量对齿轮箱状态进行监测。实验结果证明,该方法具有较高的检测效率和准确识别率。     

基于主元分析的桥梁挠度传感器故障诊断研究

主元分析(PCA)是一种典型的数据降维的多元统计方法,已被越来越多地用于故障诊断。将PCA应用在桥梁挠度传感器故障诊断。介绍了PCA的理论,研究了基于PCA的故障检测方法和基于贡献率的故障诊断方法。计算平方预测误差(SPE)和Hoteling T2统计,当统计量超过阈值时,判断系统出现了传感器故障,然后通过SPE贡献图判断故障源。通过仿真验证了PCA在故障诊断的实用性,但结果也表明:PCA对小故障不是很敏感。